移动边缘计算中基于资源动态分配的计算卸载问题研究

发布时间：2023-11-20 19:09

　　随着移动物联网的迅速发展,移动设备变得越来越普及,同时大量的计算密集型应用也随之兴起。这些应用一般需要大量计算并产生高能耗,可是移动设备在计算能力和电池容量方面受限,两者之间的矛盾推动了移动边缘计算(MEC)的发展。移动边缘计算将云服务器部署在无线接入网络的边缘,在物理位置上位于移动设备用户的附近,为用户提供云计算资源,因此,用户可以将任务计算卸载至附近的MEC服务器端执行,以降低其任务计算的响应时间和能量消耗。但是,关于计算卸载问题的研究,现有工作大多考虑的是,分配给每一个卸载用户的通信资源和计算资源在一个计算卸载周期内保持不变,即资源的静态分配,导致了有限资源的浪费,影响了MEC计算卸载的性能。为了解决上述问题,我们提出了在任务计算卸载过程中无线带宽资源和计算资源动态分配的方案,即将数据传输结束任务所分配的带宽资源重新分配给数据传输未结束的任务,将计算结束任务所分配的计算资源重新分配给计算未结束的任务,从而提高资源利用率。首先,我们分析了MEC网络场景下基于通信资源和计算资源动态分配的计算卸载问题,分别建立了通信模型、计算模型和代价模型,并提出了计算卸载的博弈论模型,其目标是最小化...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及现状
    1.2 论文主要贡献
    1.3 论文结构安排
第2章 计算卸载相关工作
    2.1 计算卸载工作分类
    2.2 基于博弈论的计算卸载工作
    2.3 计算卸载相关工作与本文工作的比较
    2.4 本章小结
第3章 基于资源动态分配的计算卸载问题分析与建模
    3.1 系统建模
        3.1.1 网络场景
        3.1.2 通信模型
        3.1.3 计算模型
        3.1.4 代价模型
    3.2 基于博弈论的计算卸载问题建模
        3.2.1 计算卸载的博弈论模型
        3.2.2 博弈论模型纳什均衡的存在性
    3.3 本章小结
第4章 基于博弈论模型的计算卸载算法的设计与实现
    4.1 计算卸载算法
    4.2 算法的收敛性
    4.3 算法的性能
        4.3.1 受益云计算用户的数量
        4.3.2 系统级计算代价
    4.4 本章小结
第5章 实验研究
    5.1 实验设计
    5.2 实验结果
        5.2.1 ECO-MEC算法收敛性实验
        5.2.2 任务数据大小范围的不同长度实验
        5.2.3 任务计算所需CPU周期数范围的不同长度实验
        5.2.4 不同用户数量实验
    5.3 本章小结
第6章 结论与展望
    6.1 本文研究总结
    6.2 展望
参考文献
作者简介及在学期间所取得的科研成果
致谢



本文编号：3865660